Вы можете смотреть любое видео на русском, кстати.
YouTube официально объявил о глобальном развертывании функции автоматического дубляжа видео на разные языки, которая стала доступна авторам с 10 сентября 2025 года. Новый инструмент, работающий на базе искусственного интеллекта Google Gemini, позволяет создателям контента без лишних затрат выходить на международную аудиторию, сохраняя при этом оригинальный стиль и эмоциональную подачу голоса.
Технология, ранее тестировавшаяся с 2023 года в пилотной программе с участием таких блогеров, как MrBeast и Джейми Оливер, теперь внедряется постепенно для всех. Система ИИ анализирует исходную аудиодорожку и генерирует дубляж, стремясь воссоздать тон и манеру речи автора, что делает перевод более естественным. Компания уточняет, что полное развертывание функции займет несколько недель.
Результаты пилотной программы доказали высокую эффективность инструмента. У авторов, использовавших многоязычные дорожки, более 25% времени просмотра приходилось на аудиторию из других языковых регионов. Так, канал знаменитого шеф-повара Джейми Оливера утроил количество просмотров после внедрения ИИ-дубляжа, а Марк Робер теперь добавляет до 30 языковых версий к каждому видео.
Несмотря на прорыв, в YouTube признают, что технология не идеальна и может допускать ошибки, поэтому у авторов останется возможность загружать профессионально созданные аудиодорожки. Параллельно компания продолжает тестировать функцию умного перевода текста на обложках видео, которая пока доступна в ограниченном режиме.
Повышение доступности образования коррелирует с сокращением рождаемости (этот феномен называют "демографический переход")
Многие из тех, кто получает помощь, действительно в ней нуждаются, а большинство работников социальной сферы действуют добросовестно. Системные изменения требуют не только критики, но и участия: голосования, общественного контроля, поддержки НКО, которые борются с нарушениями.
Как направить эмоции в конструктивное русло(гнев и бессилие) - поизучать, как работают механизмы социальной защиты в других странах (например, скандинавская модель), поддерживать инициативы по повышению прозрачности госрасходов или участвовать в локальных проектах, помогая тем, кто "застрял в беличьем колесе".
Диалог о проблемах требует объединения людей вокруг идеи справедливости, а не их разделения. Надо меньше резких высказываний.
"Как демократия гибнет" Левенштейна и Зиблатта — о том, как системные кризисы становятся нормой;
"Капитал в XXI веке" Пикетти — о неравенстве и его последствиях;
В комментариях к посту о "гниении мозга от этих ваших тиктоков" всплыло упоминание об идиократии (как кинофильма и как понятия в общем). Для неосведомлённых: идиократия - дословно "власть доставшаяся идиотам".
Только вот хочу напомнить и/или намекнуть: теория появления идиократии как таковой в фильме подана чётко и ясно - идиоты размножались как крысы, а философы мяли сиськи и вымерли. И мусорный интернет со скроллингом там если и показан, то как следствие, а не причина. Ну или второстепенный причинный фактор.
То есть основной причиной всё же были фактически существующие самоуверенные болваны и уровень их социальной защищённости (Год блесс Омерека)... А вот у этого явления истоки куда более интересные. Я не хочу расстилать буквенную многоспальную простыню, поэтому доказательства моих слов ищите сами или забейте (всё равно этот поезд уже давно катится обратно в маму).
Дык вот!.. Я вроде не хочу никого ущемить, и в целом понимаю что править этим шарообразным космическим объектом сложновато... Но, если вдруг кто не заметил, нынче размножаются самоуверенные олени и хитрожопые гниды, а интеллигенты тихо грустно фапают в стороне и боятся этого опесденевшего мира.
Заранее, без сарказма и прочего притворства, ПРОШУ ПРОЩЕНИЯ у каждого человека из каждой ОТДЕЛЬНО ВЗЯТОЙ КАТЕГОРИИ из дурацкого предложения написанного выше. ВСЁ НАПИСАННОЕ ТАМ ОТНОСИТСЯ НЕ К ВАМ, А К ТЕМ КТО ПОЛУЧАЕТ ВАШИ ПОСОБИЯ И ЛЬГОТЫ ОБМАННЫМ ПУТЁМ. Это про ту, лживую и наглую часть работников соцслужб, медицинских и учебных заведений, так далее и далее - про некоторых директоров, управляющих, их родственников, друзей и знакомых. Про тех, кто, мимикрируя под военнослужащего, зарабатывает на БМВ чёрный как эта ёбаная жизнь, и уносит в никуда по-настоящему значимых людей; про выбор без выбора из ныне мёртвого клоуна, лошади и такого давно привычного ВысокоВольтного Провода. Против последнего в последнее время не имею сказать, ибо совсем запутался в этом голубом огоньке.
Но вот хитрые жёпы одолели. Они клянчат, лезут без очереди, воруют нагло и открыто, прикрывают друг друга, нападают стаями, косят под добреньких, переобуваются в полёте...
И напишут, или соседа попросят написать что угодно, лишь бы вы не остановились в беличьем колесе и с ужасом не воззрели в этот мир вашими хомячиными глазами-бусинками. А то вас охватят въетнамские флэшбэки и колесо остановится. А хозяину колеса ещё требуется через весь город ехать с кортежем по перекрытым дорогам! Крутите колесо, пока пряник не кнут.
Читайте, смотрите, жуйте, срите, опять жуйте - но завтра в 8 чтобы были на месте.
Кстати, вам звонили из банка, у вас там это, молоко убежало. Идите догоняйте.
Автор, что там про короткие? Я сегодня глянул с несколько десятков. Хватит или ещё поскроллить? Не чувствую лоботомии и успокоения. Не чувствую скроллинг.
А вот Дум чувствую. Ух, чувствую.
Норм кукарекнул, отпустило вроде. Спасибо.
Кому этот текст покажется бредом сумасшедшего, тот гей. На комментарии отвечать буду только если тема запроса имеет конструктивный вектор.
У меня большой соблазн написать: "Вы описали устаревший подход. Я тоже так думал, и поэтому год назад завалил собеседование в 'Эпл' и 'Амазон', причем в первом незнакомтсво с общепринятым в современности подходом было одной из главных причин, почему мне отказали на самом последнем этапе (шестое интервью после пяти успешно пройденных). Сейчас коллаборативная фильтрация обычно реализуется совсем по-другому, ее обычно уже и не называют коллаборативной фильтрацией".
Но на самом деле это было бы несправедливой придиркой. Да, коллаборативная фильтрация в том виде, как вы ее изложили, это технологии 2010-х годов, от которых давно отходят. Но так как ваше изложение все равно очень короткое и поверхностное, в принципе, под него можно притянуть и современные подходы - и иногда так и делают. Если поискать сочетание терминов collaborative filtering и two tower, последнее часто описывают как частный случай первого. Но чаще нейросетевые подходы к рекомендательным системам рассматривают, не упоминая коллаборативную фильтрацию.
В общем, коллаборативная фильтрация активно используется и сейчас. Но вот это ваше описание:
Допустим, недавно Вася посмотрел до конца и поставил высокую оценку вот таким тайтлам: Мастер и Маргарита, Атака Титанов, Фишер, Игры
А Петя сделал то же самое вот с таким контентом: Киберслав, Атака Титанов, Фишер, Игры
Итак, у Васи и Пети все тайтлы одинаковые, кроме одного различия: Мастер и Маргарита против Киберслава (ставьте лайк, если хотели бы увидеть такой кроссовер). По логике КФ, если пользователи “обменяются” своими 4 тайтлами (Вася глянет Киберслава, а Петя М&М), то им должно понравиться. Собственно, отсюда и слово “коллаборативная” в названии - пользователи как бы сотрудничают, подкидывая наилучшие рекомендации друг другу.
- это очень упрощенный пересказ того, как работали рекомендательные системы 10 лет назад. Подробнее он изложен, например, в книге Лесковеча, Раджарамана и Ульмана. Только эта книга издавалась и переиздавалась с 2010 по 2019 годы. Сейчас рекомендательные системы работают по-другому.
Если вы собираетесь проходить собеседования на специалиста по машинному обучению, рекомендую хотя бы поверхностно ознакомиться с темой современной коллаборативной фильтрации. Тем более что схожие подходы используются и в других областях: так сейчас делают и поиск, и распознавание лиц...
Вы приходите домой и включаете любимый стриминг. Лента сразу же выдаёт вам несколько фильмов и сериалов, которые… действительно хочется смотреть. Сегодня разберём, как именно рождается эта магия вне Хогвартса, и что сидит под капотом рекомендательного движка онлайн-кинотеатра.
Это крайне сложный мем про онлайн-кинотеатры и всю индустрию стриминга в целом. Просьба отнестись с пониманием и проникнуться глубиной!
Так как лично я чаще других сервисов включаю Кинопоиск (да, я посчитал с точностью до минуты), то детализировать детали и анализировать нюансы я буду именно на его примере. И да, в этой статье не будет сложных технических терминов и греческих букв. Её цель - раскрыть основные принципы стримингов человечьим языком и наглядно.
Итак, погнали:
Этого стриминга в Химках видал, неточными рекомендациями торгует!
Давайте пойдём поэтапно. Что нужно сделать онлайн-кинотеатру, чтобы быть классным? Рискну предположить, что сначала ему нужно вот что:
Составить хорошую библиотеку. Добавить к себе сериалов и фильмов крутых и разных, да побольше!
Набрать пользовательскую базу. Чтобы я, вы, ваша мама, ваш коллега и вон тот парень оформили подписку. Но не только - важно, чтобы вы ещё регулярно смотрели (почему - объясню ниже, это важный момент).
Итак, у нас есть контент, и у нас есть пользователи. Говоря более научно, есть item, и есть user. И теперь кинотеатру нужно сделать третий шаг, ключевой:
Соединить user и item. Проще говоря, дать пользователю Васе именно тот фильм, сериал или аниме по манге (мало ли от чего прётся наш Василий), который ему а) нужен в целом и б) актуален прямо сейчас.
Но как это сделать?
Вариант первый - плясать от юзера Васи (user-based recommendations). Допустим, мы видим, что Вася с кайфом посмотрел последний российский детектив про жуткого маньяка. Ну окей, пульнём ему другие леденящие душу истории про серийных убийц. Но что если ему понравился именно тот детектив, а новые не зайдут?
Хорошо, тогда можно использовать обратный подход - плясать от контента (item-based recommendations). Пусть алгоритмы глянут, что там "сидит" внутри этого детектива - сюжетные повороты, темп повествования, атмосфера, антураж, локации, год выпуска, набор актёров, подмешивание других жанров и т.д. Находим максимально похожий тайтл и кидаем его Васе на первое место в ленте!
Но Вася проходит мимо и садится смотреть турецкий сериал с Серканом Болатом, или как там его зовут. Почему? Да хрен его знает. Может после того сериала у него детективный передоз, и больше он не хочет смотреть на мрачные расследования? А может Вася планирует поездку в Турцию, и хочет полюбоваться видами Стамбула? Или ещё проще - у Васи появилась девушка, и пульт теперь у неё (ну или мы просто чего-то о нём не знаем). Люди - существа иррациональные, причин может быть очень много, а на поверхности - ни одной.
Раз уж вспомнили турецкие сериалы, то держите уютного стамбульского котика (запомните этот момент, это пасхалочка ко второй половине этой статьи).
Как видите, чистый user-based и item-based - это упражнение, конечно, интересное, но полезное лишь для общего развития. А для точных стриминговых рекомендаций нужно что-то позабористее. Но что?
Существует три вида лжи…
… ложь, наглая ложь и статистика. Так про статистику говорил то ли Бенджамин Дизраэли, то ли Марк Твен (но не Ленин, как многие думают, Ильич как раз статистику очень любил и уважал). Смысл цитаты в том, что статистическими выводами можно:
а) вертеть как угодно
и б) делать это на максимально серьёзных щщах
Ведь вывод будет подкреплён (ну, типа) анализом выборки, а не просто взят с потолка.
Не буду спорить, но в случае рекомендательных систем - это вовсе не минус, а очень даже плюс. Потому что нас интересует не единственно верная истина, а набор наиболее релевантных вариантов. Но давайте конкретнее:
В рекомендательных системах онлайн-кинотеатра выбор на основе большой статистики воплощён в виде коллаборативной фильтрации (КФ). КФ - это база-основа любого годного стриминга, от Ютуба до Яндекс Музыки. Онлайн-кинотеатры в целом, и Кинопоиск в частности - не исключение.
Давайте разберём, что это такое:
Коллаборативная фильтрация работает на предположении, что:
Пользователи, которые одинаково оценили какие-либо тайтлы (т.е. фильмы/ сериалы) в прошлом, склонны давать похожие оценки другим тайтлам в будущем.
То есть, если фильм "Ромашка" понравился многим пользователям с похожей историей просмотров, то он скорее всего понравится и другим пользователям с такой же (или почти такой же) историей просмотров.
Давайте на примере (очень упрощённо и схематично):
Допустим, недавно Вася посмотрел до конца и поставил высокую оценку вот таким тайтлам:
Мастер и Маргарита
Атака Титанов
Фишер
Игры
А Петя сделал то же самое вот с таким контентом:
Киберслав
Атака Титанов
Фишер
Игры
Итак, у Васи и Пети все тайтлы одинаковые, кроме одного различия: Мастер и Маргарита против Киберслава (ставьте лайк, если хотели бы увидеть такой кроссовер). По логике КФ, если пользователи “обменяются” своими 4 тайтлами (Вася глянет Киберслава, а Петя М&М), то им должно понравиться. Собственно, отсюда и слово “коллаборативная” в названии - пользователи как бы сотрудничают, подкидывая наилучшие рекомендации друг другу.
Понятное дело, что пример выше упрощён до неприличия. В реальности должны быть не Вася с Петей, а несколько сотен тысяч (а лучше миллионов) юзеров, и тайтлов в анализе должно быть слегка больше четырёх. И тогда рекомендательная система может на больших данных глянуть, что смотрят юзеры с похожими предпочтениями, и сделает статистически значимый вывод.
Чтобы было ещё понятнее, давайте проведём аналогию с чем-нибудь из жизни. Я вот с утра в зал сходил, давайте с ним и сравним:
Представьте какой-нибудь суперумный фитнес-зал (ИИшка видит его так), где камеры под потолком анализируют ВСЕ действия ВСЕХ посетителей.
Зал видит, что вы сделали жим сотку, гантели по тридцатке и пошли на кардио. А ещё он в своей базе данных видит, что были другие посетители, которые делали то же самое. Многие из них ещё делали румынскую тягу и французский жим. Логично будет порекомендовать эти упражнения и вам (вероятность попадания будет статистически высокая).
Однако, что будет, если вам нельзя делать румынскую тягу по медицинским показаниям, а во время французского жима вы год назад уронили гантелину на голову и теперь у вас психологический блок на это упражнение? Или ещё прикольнее - система подобрала целых 10/ 20/ 50/ да хоть тысячу статистически актуальных упражнений. Какое порекомендовать первым, а какое последним? И вообще, зачем всех под одну гребёнку пихать? Я же уникальная снежинка, предложи мне что-нибудь эдакое!
Вот и с контентом в онлайн-кинотеатре то же самое.
А что если Вася сильно отличается от других юзеров, которые смотрели похожие тайтлы?
А если актуальных рекомендаций много, то какую порекомендовать первой, второй, двадцать седьмой?
И вообще, настроение у Василия игривое, он хочет сюрпризов, удивите!
Или ещё сложнее - что если Вася только-только зарегался на Кинопоиске, и у него ещё нет никакой истории (a.k.a. “холодный юзер”)?
(Cat)бустим коллаборативную фильтрацию
Для преодоления вышеописанных преград, коллаборативная фильтрация отлично дополняется градиентным бустингом. Для начала очень кратко распишу, что это вообще за зверь такой:
Итак, градиентный бустинг - это такой метод машинного обучения, когда несколько “небольших” моделей применяются последовательно, и каждая из них исправляет ошибки предыдущей. Шаг за шагом ошибка становится всё меньше и меньше, а результат всё точнее и точнее.
Логика примерно такая. Берём дерево решений и пускаем по нему алгоритм. Смотрим, насколько существенна ошибка функции. Добавляем ещё дерево и запускаем новую итерацию. Ошибка становится меньше. И так далее, пока ошибка не минимизируется.
Множество маленьких моделек градиентного бустинга ещё называют “ансамбль моделей”. По-французски emsemble значит "вместе", ну вы поняли.
Давайте разберём на примере пиццы. Ну а что, в зал мы уже сходили, так что имеем право.
Итак, допустим, вы понятия не имеете, как готовить пиццу (= не знаете юзера Васю), но слышали, что её делают из теста и сыра. Вы кидаете кусок теста и сыра в печку. Получилась дрянь. Вы думаете: “А что, если раскатать тесто и положить на него сыр?”. Уже лучше, но тесто сгорело. Вы повторяете попытку, уменьшая жар. Ещё лучше, но сыр подгорел. Вы насыпаете его более равномерно. Отлично, но не хватает томатной пасты. Вы добавляете пасту. Теперь это уже похоже на пиццу, но всё равно есть что улучшать. Вы можете дальше повторять итеграции, играясь с рецептом и технологией готовке, пока у вас не получится идеальная пицца как у дядюшки Джузеппе.
Градиентный бустинг в онлайн-кинотеатре работает точно так же, только шагов и ошибок в “дереве решений” может быть гораздо-гораздо больше, ну и тесто с сыром не нужно портить (это ж машинное обучение, в конце концов).
У Кинопоиска за градиентный бустинг отвечает штука под названием CatBoost.
Кэт буст. Вижу так.
CatBoost - это набор библиотек (= готовых шаблонов и решений) градиентного бустинга, который Яндекс использует во многих своих сервисах: в маркетплейсе, прогнозе погоды, рекламных системах, музыкальном стриминге и т.д. Ну и в онлайн-кинотеатре, само собой.
“Cat” здесь значит “категориальный”, то есть модель заточена на работу с категориями, а не только с числовыми данными. Она умеет мыслить не только понятиями "один-ноль" и “больше-меньше”, но и отличать кошечку от собачки, Турцию от Кореи (а Южную Корею от Северной), детектив от триллера (или от комедии, хоррора, пеплума, …), Юру Борисова от Ванпанчмена и т.д.
С последним могут возникнуть проблемы. Не, ну правда, тут придётся очень много моделек запускать.
Итак, вернёмся к нашему юзеру Васе.
Сценарий первый. Коллаборативная фильтрация отобрала ему 50 самых-самых релевантных фильмов. И ещё 10 сериалов в качестве бонуса. Как всю эту очередь расставить в ленте?
Допустим, в списке есть Начало и Интерстеллар. Кого поставить выше? CatBoost видит, что Вася ставил всем фильмам Нолана оценку 8+ (любит он Нолана, в общем). Также он видит, что Вася плюс-минус одинаково хорошо смотрит и Ди Каприо, и Макконахи. Он идёт дальше, перебирает другие факторы. И видит, что по вечерам Васе чуть лучше заходит космическая тематика. А ещё он в Яндексе недавно чёрные дыры искал - совпадение? Сейчас как раз вечер, так что поставим Интерстеллара чуть выше Начала.
Понятно, что в реальности алгоритм будет ранжировать (да, забыл сказать, такая операция называется “ранжирование”) из множества единиц контента и одновременно учитывать сотни и тысячи единиц информации о пользователе. Но логика такая.
Сценарий второй. Вася из другой реальности (скажем, с Земли-616) только-только зарегался на Кинопоиске. Данных по нему нет, сравнить с другими пользователями не выйдет, коллаборативно фильтрануть не получится. Но! Во-первых, он наверняка зарегается не просто так из вакуума, а придёт за определённым тайтлом.
Ну например, увидит сериал “Игры” и такой: “О, это мне надо, хочу смотреть на младшего Верника в антураже брежневского Союза”. И оформит подписку.
И алгоритмы такие: “Ага, ему нравится младший Верник (ну или Серебряков, единственный в своём роде), антураж СССР, спортивная тематика, драмы с элементами детектива, современные российские сериалы, …”. Это всё гипотезы, каждую из них CatBoost может начать отрабатывать. Рекомендовать, смотреть на результат. Рекомендовать дальше, улучшать результат, отрабатывать ошибку. И так далее, далее, далее. Повышая знание о пользователе, учитывая всё новые факторы, делая “градиент” всё более плавненьким. В какой-то момент у Василия будет достаточно истории, и его получится нормально запихнуть в коллаборативную фильтрацию.
Если Вася всё же пришёл из ниоткуда (действительно холодный юзер), то ему сначала дадут глянуть что-нибудь из самого популярного. Посмотрят, как он реагирует на разные тайтлы из топ-10, а дальше см. выше.
Знания о пользователе крутятся, кэт бустится.
Здесь ещё можно было бы разобрать, какие факторы учитываются в градиентном бустинге, как именно алгоритм достаёт эти данные, с какой скоростью он учится… и многое другое.
Однако, статья и так получилась чуть больше, чем я планировал, поэтому на этой ноте откланяюсь. Напоследок держите набор простейших действий, способных здорово помочь КэтБусту и натренировать Кинопоиск. С другими онлайн-кинотеатрами тоже должно сработать - вплоть до Netflix или даже Youtube (последний - это тоже своего рода стриминг). Итак:
Ставим высокие оценки фильмам и сериалам, которые вам нравятся, и низкие - тем, которые не зашли. Для этого в конце просмотра есть специальная голосовалка, не пропускаем её.
Если листаем ленту и видим что-то прикольное, не стесняемся добавлять в “Буду смотреть”.
Если видим, что рекомендательная система прогадала и запихнула в ленту залётные неактуальные тайтлы, то прожимаем кнопку "Неинтересно".
Если вас зацепил какой-то фильм или сериал из ленты, но вы не хотите его смотреть прямо сейчас, то можно включить его хотя бы на пару минут (а лучше минут на 5-10). Это станет важным сигналом для рекомендательных систем.
Если не забывать про эти простые шаги, то алгоритмы скажут вам “спасибо”, коллаборативная фильтрация станет ещё более меткой, а вы сможете тратить ещё меньше времени на поиск персонализированной актуалочки.
Очень надеюсь, что вам стало понятнее, по какой логике алгоритмы этих наших стримингов вываливают на нас именно те фильмы, сериалы и прочее народное творчество, которое актуально, релевантно и желанно именно нам и именно в данный конкретный момент времени.
P.S. Понятно, что выше я описал основные подходы и базовую логику их применения. На самом деле сложность и продвинутость сего действия нужно умножить на дцать, и вообще, там всё переплетено так, что мама не горюй. Но принцип именно такой.
Если вам понравилось, то подписывайтесь на мой тг-канал Дизраптор, где я человечьим языком разбираю интересное из технологий, инноваций и бизнеса. А на втором канале Фичизм выходят самые кайфовые фичи и всё такое.
Загружаешь до 4 изображений (работает и на 3-х фото тоже).
Генерация около 10 минут – и на выходе готовый видеоролик. Все эффекты плавные,
Плюсы:
Скорость – ролик готов за минуты.
Простота – даже новичок справится.
Качество – визуально всё на уровне профессионалов.
Стоимость – по-сравнению с другими нейросетями генерация выходит даже экономичной
Единственный минус который нашла - это временное отсутствие возможности добавлять конечный фрейм, т.е. конечую картинку в видео и продлевать его (пока это временно)
В декабре Оксфордский словарь признал "brain rot" (буквально "гниение мозга") словом года.
Про brain rot писали многие СМИ, но казалось, что это фигуральное выражение. Мол, если потреблять гору бессмысленного контента, то мы деградируем, и мозг "портится".
Но в мой пока ещё не совсем сгнивший (надеюсь) мозг закралось подозрение, что здесь есть более глубокий смысл. Я копнул и выяснил, что от тиктоков, шортсов и рилсов мозг гниёт в очень даже ПРЯМОМ СМЫСЛЕ. Алгоритмическая контентная жвачка ослабляет наше серое вещество в буквально, биологически. И вот как это работает:
В нашем мозге есть механизм под названием "хабенула" (иногда её называют уздечкой). Находится она в эпиталамической, задней части мозга. Это такая небольшая структура размером с горошину. Но у неё очень важная функция - по сути, это соединительный шлюз между разными отделами мозга, который регулирует и балансирует всю нашу систему вознаграждения.
Примерно так это выглядит.
Если активность нейронов хабенулы снижена, то человек склонен подсесть на вещества. А если наоборот, чрезмерно повышена, то человек не может испытывать удовольствие, и у него с большой вероятностью разовьётся депрессия. Здесь я описал очень упрощенно - чтобы показать суть, что эта маленькая штука в мозге очень-очень важна (подробнее можете почитать вот тут, например).
Так вот, работа хабенулы - это важный механизм. Однако, эволюция не учла, что человеки научатся скроллить тиктоки. Когда мы бесконечно пичкаем мозг безлимитным потоком не обременённого смыслом "прокрастинационного" контента, хабенула начинает ловить жёсткие глюки. Она просто не понимает, как действовать, потому что мозг получает бесконечную дозу дешёвого дофамина, лже-удовольствия.
Ну вы поняли...
В итоге, регулярный скроллинг ленты может очень серьезно расстроить (в смысле не "огорчить", а "сломать") всю работу этой системы. А если у человека сломалась хабенула, то он:
- Не может состредоточиться и сфокусироваться. Концентрация становится непозволительной роскошью.
- Не может долго и интеллектуально работать, решать сложные задачи. Да даже посмотреть длинный обучающий видос на Ютубе становится непосильной задачей.
- Испытывает одиночество и скуку, потому что не может "провалиться в поток" какого-то занятия. С отношениями и семейной жизнью у таких людей тоже всё непросто.
- Склонен к думскроллингу, и далее к депрессии.
- Да вообще ничего хорошего его не ждёт. Кроме новой порции дофамина от скроллинга, ведь если человек разучился фокусироваться, то остаётся лишь прокрастинировать.
В общем, brain rot - это не шутка. Это серьёзное негативное явление, которое сильно меняет наш мир прямо сейчас. Как там говорят: "Мир развалится, когда умрёт последний бумер"?
Но лично я думаю, что не всё потеряно. Да, тиктоки и алгоритмические ленты стали частью нашей жизни, и никуда они не денутся. Но мы всё ещё хозяева своего свободного времени. Лимитируйте время внутри ленты, ставьте таймеры и будильники, смотрите фильмы, читайте книги и общайтесь с родными БЕЗ ТЕЛЕФОНА. Ещё как вариант - приоритизируйте Телеграм над другими площадками. В Телеге нет ленты (большое спасибо за это П. Дурову), и потребление контента куда более осознанное. Надеюсь, так оно и останется.
Больше про нашу цифровую реальноть в моей Телеге, заходите (там точно нет алгоритмических лент и брейнрота).
Нейросети — это мощный инструмент, который может существенно облегчить жизнь каждому: от копирайтера до владельца малого бизнеса. Их возможности поражают, а главное, теперь их можно попробовать бесплатно!
В этой статье я расскажу, как это сделать, и покажу, как использовать искусственный интеллект для генерации текста и изображений.
Что могут нейросети?
Если вы думаете, что нейросети — это сложно, вот несколько задач, которые они решают буквально за секунды:
Создание текстов: идеи для постов, сценарии для видео, описание товаров.
Генерация изображений: уникальные картинки для статей, соцсетей или презентаций.
Креативные решения: помощь в создании концепций, идей или дизайнов.
Где попробовать нейросети бесплатно?
Один из самых удобных способов начать — это Telegram-бот SNeiron_bot. Этот бот позволяет генерировать текст и изображения без каких-либо сложностей. Чтобы попробовать его в деле, достаточно отправить запрос и выбрать нужный инструмент.
Как это работает?
Зайдите в Telegram и найдите бота SNeiron_bot.
Нажмите "Старт" и выберите тип генерации: текст или изображение.
Введите запрос. Например: Для текста: "Напиши пост о пользе нейросетей." Для изображения: "Создай картинку зимнего леса с ярким солнцем."
Получите результат за несколько секунд!
Примеры работы SNeiron_bot
1. Генерация текста:
Вы отправляете запрос, и бот мгновенно создает связный и интересный текст на любую тему. Пример запроса: "Какие процедуры должен делать человек утром, чтобы на протяжении жизни чувствовать себя здоровым?"
Результат:
2. Создание изображения: Бот превращает ваши слова в настоящую картину.
Пример запроса: "Огромный кот в спортивной форме весь в мускулах, в лапах держит штангу, высокое качество"
Результат:
Почему это удобно?
Экономия времени: не нужно искать дизайнеров или копирайтеров, бот справляется за секунды.
Простота: все интуитивно понятно даже для новичка.
Экономия денег: вы можете попробовать возможности нейросетей без оплаты.
Нейросети открывают невероятные возможности для работы и творчества. Попробуйте их прямо сейчас с помощью SNeiron_bot — это бесплатно, просто и увлекательно! Вдохновляйтесь, создавайте и экономьте время.
